这7 个深度学习实用技巧,你掌握了吗?

2018-02-12 16:21:00 来源:推酷
标签:
前几天,深度学习工程师George Seif发表了一篇博文,总结了7个深度学习的技巧,主要从提高深度学习模型的准确性和速度两个角度来分析这些小技巧。在使用深度学习的时候,我们不能仅仅把它看成一个黑盒子,因为网络设计、训练过程、数据处理等很多步骤都需要精心的设计。作者分别介绍了7个非常实用小技巧:数据量、优化器选择、处理不平衡数据、迁移学习、数据增强、多个模型集成、加快剪枝。相信掌握了这7个技巧,能让你在实际工作中事半功倍!
 
7 Practical Deep Learni ng Tips
 
7个实用的深度学习技巧
深度学习已经成为解决许多具有挑战性问题的方法。 在目标检测,语音识别和语言翻译方面,深度学习是迄今为止表现最好的方法。 许多人将深度神经网络(DNNs)视为神奇的黑盒子,我们输入一些数据,出来的就是我们的解决方案! 事实上,事情要复杂得多。
 
在设计和应用中,把DNN用到一个特定的问题上可能会遇到很多挑战。 为了达到实际应用所需的性能标准,数据处理、网络设计、训练和推断等各个阶段的正确设计和执行至关重要。 在这里,我将与大家分享7个实用技巧,让你的深度神经网络发挥最大作用。
 
 
▌ 1-数据,数据,数据
这不是什么大秘密,深度学习机需要大量的“燃料”, 那“燃料”就是数据。拥有的标签数据越多,模型的表现就越好。 更多数据产生能更好性能的想法,已经由谷歌的大规模数据集(有3亿图像)证明!为了感受数据带给深度学习模型的性能提升,在部署Deep Learning模型时,你应该不断地为其提供更多的数据和微调以继续提高其性能。 Feed the beast:如果你想提高你的模型的性能,就要提供更多的数据!
 
图显示数据量的增加会得到更好的性能
 
▌ 2-你应该选择哪一个优化器
多年来,已经开发了许多梯度下降优化算法,他们各有其优缺点。 一些最流行的方法如下:
 
Stochastic Gradient Descent (SGD) with momentum
 
Adam
 
RMSprop
 
Adadelta
 
RMSprop,Adadelta和Adam被认为是自适应优化算法,因为它们会自动更新学习率。 使用SGD时,您必须手动选择学习率和动量参数,通常会随着时间的推移而降低学习率。
 
在实践中,自适应优化器倾向于比SGD更快地收敛, 然而,他们的最终表现通常稍差。 SGD通常会达到更好的minimum,从而获得更好的最终准确性。但这可能需要比某些优化程序长得多的时间。 它的性能也更依赖于强大的初始化和学习率衰减时间表,这在实践中可能非常困难。
 
因此,如果你需要一个优化器来快速得到结果,或者测试一个新的技术。 我发现Adam
 
很实用,因为它对学习率并不是很敏感。 如果您想要获得绝对最佳的表现,请使用SGD + Momentum,并调整学习率,衰减和动量值来使性能最优化。
 
▌ 两全其美的办法
最近已经证明,可以得到两全其美的结果:从 Adam   到SGD的高性能高速训练! 这个想法是,实际上由于在训练的早期阶段SGD对参数调整和初始化非常敏感。 因此,我们可以通过使用Adam来开始训练,这将节省相当长的时间,而不必担心初始化和参数调整。 那么,一旦Adam获得较好的参数,我们可以切换到SGD +动量优化,以达到最佳性能!
 
 
Adam vs SGD 性能 
 
▌ 3-如何处理不平衡数据
在很多情况下,都要处理不平衡的数据,特别是实际应用程序中。 一个简单而实际的例子如下:训练您的深度网络以预测视频流中是否有人持有致命武器。 但是在你的训练数据中,你只有50个拿着武器的人的视频和1000个没有武器的人的视频! 如果你只是用这些数据来训练你的网络,那么你的模型肯定会非常偏向于预测没有人有武器!
 
你可以做用以下的方法来解决它:
 
在损失函数中使用类权重。 本质上就是,让实例不足的类在损失函数中获得较高的权重,因此任何对该类的错分都将导致损失函数中非常高的错误。
 
过度采样:重复一些实例较少的训练样例,有助于平衡分配。 如果可用的数据很小,这个方法最好。
 
欠采样:一些类的训练实例过多,可以简单地跳过一些实例。 如果可用数据非常大,这个方法最好。
 
为少数类增加数据。可以为少数类创建更多的训练实例! 例如,在前面检测致命武器的例子中,你可以改变属于具有致命武器的类别的视频的颜色和光照等。
 
 
关注与非网微信 ( ee-focus )
限量版产业观察、行业动态、技术大餐每日推荐
享受快时代的精品慢阅读
 

 

继续阅读
GPU如何训练大批量模型?方法在这里

深度学习模型和数据集的规模增长速度已经让 GPU 算力也开始捉襟见肘,如果你的 GPU 连一个样本都容不下,你要如何训练大批量模型?通过本文介绍的方法,我们可以在训练批量甚至单个训练样本大于 GPU 内存时,在单个或多个 GPU 服务器上训练模型。

《深度强化学习》手稿开放

一年前,机器之心发布了加拿大阿尔伯塔大学计算机系博士 Yuxi Li 的深度强化学习综述论文,该论文概述了在深度强化学习(Deep Reinforcement Learning)方面喜人的进展。而这本刚上线的《深度强化学习》手稿对前面的版本《深度强化学习综述》做了大规模的改进;从一年多前的 70 页扩充到现在的 150 页。

谷歌 AI +医疗,实现缩短一半的诊断时间意味着什么
谷歌 AI +医疗,实现缩短一半的诊断时间意味着什么

几年前,医疗保健领域还将人工智能视为一项新生事物,关于 AI 究竟会取代人类医生还是会成为人类的助手的讨论就层出不穷。

AI翻译问世,究竟翻译的有多快?

《深度学习》是受埃隆·马斯克推崇的著作,也是所有人工智能(AI)领域的工程师、研究人员、教授或大学生的“圣经”。10月18日,这本书的法语版将面市。在全球开创先例的是,这部800页的著作完全由人工智能在不到12小时内翻译完成。

谷歌这些年放弃过哪些产品?
谷歌这些年放弃过哪些产品?

谷歌以其广受欢迎的众多产品而闻名,从搜索到地图再到Android。但并非该公司接触过的所有东西最终都取得了成功:谷歌眼镜原被寄予改变世界的厚望,但它很快就消失无踪。还记得谷歌社交及通信工具Google Buzz吗?

更多资讯
华为再次启动进军印度市场战略

全球第二大手机制造商华为将从明年开始在印度生产手机,并计划开设1000家品牌门店,以确保公司能在印度市场立足。

心疼一加6T一秒钟,和苹果发布会装车

国内手机厂商一加科技早早的宣布将于本月30日在印度新德里、美国纽约召开新品发布会,正式发布外界传闻已久的一加6T。

联想想吃小米蛋糕?能行嘛
联想想吃小米蛋糕?能行嘛

今天,手机江湖血雨腥风,销量在朝一线品牌集中,大量的中小品牌,正在消失视线。最近,罗永浩的锤子手机,被爆出快支撑不住了,而曾经风风火火的乐视手机,已被淹埋进历史的废墟当中,金立、中兴手机等,也在淡出视线,要想在这一市场打出一片天地,何其之难!

苹果iPhone XR:色彩只是亮点之一
苹果iPhone XR:色彩只是亮点之一

一个月前的苹果公司秋季发布会结束后,CEO库克和设计主管乔纳森-艾维结伴出现在体验区,他们短暂的停留时间几乎都放在了会场正中的iPhone XR展台前,现场媒体在那捕捉到了大量照片。由此也可以看出这款手机的分量:虽然从定价上讲它不是最贵的,但它是这次发布会上的一款特别产品。

借华为Mate 20系列东风,信维通信前三季度净利增长20.60%

近日,备受关注的华为Mate 20系列产品一经发布,其供应链信息也被深度解析。作为华为Mate 20系列产品天线和无线充电模组主力供应商的信维通信,也于今日发布了三季报,其营收和净利都出现同向增长。

Moore8直播课堂